Разработка AI-системы для прогнозирования увольнений

Добровольные увольнения ключевых сотрудников бьют по бюджету сильнее, чем кажется. Замена одного инженера или менеджера среднего звена может обойтись компании в 50–200% его годового оклада — это прямые и косвенные потери на рекрутинг, онбординг и падение производительности. Например, потеря senior-разработчика с окладом $100,000 оборачивается $150,000–$200,000 убытков. Мы разрабатываем AI-системы, которые предсказывают риск увольнения за 1–3 месяца до события, когда у HR ещё есть окно для retention-интервенции. Ниже — как мы строим такие системы с нуля, какие данные используем и как избежать юридических ловушек.

Этические и правовые ограничения

Прежде чем начать — ключевые ограничения. 152-ФЗ и GDPR требуют явного согласия сотрудника на обработку персональных данных для предиктивного анализа. Запрещено использовать данные для автоматических HR-решений — предсказание служит лишь подсказкой для человека. Сотрудник имеет право объяснить и оспорить оценку.

Этические границы: не используем личную переписку, не ведём скрытое биометрическое наблюдение. Система должна быть прозрачной для команды — сотрудники знают, что она существует, но не обязательно детали. Без этих рамок инструмент создаёт токсичную культуру и нарушает закон.

Данные для модели: что собирать и как обрабатывать

HR-система обеспечивает около 80% предиктивной силы. Собираем поведенческие сигналы сотрудников: карьерный трек (месяцы с последнего повышения, количество промо за 3 года, соотношение зарплаты к рынку), вовлечённость (часы обучения, проекты, запросы на перевод), рабочие условия (средние часы в неделю, удалённые дни, стаж у менеджера). Демографические данные — tenure, department — с fairness-аудитом.

hr_features = {
    'months_since_last_promotion': months,
    'promotions_count_3y': count,
    'salary_vs_market': salary / market_benchmark,
    'performance_rating_last': rating_1_to_5,
    'performance_trend': rating_last - rating_prev,
    'training_hours_annual': hours,
    'projects_participated': count,
    'internal_transfers_requested': count,
    'average_work_hours_weekly': hours,
    'remote_work_days_weekly': days,
    'manager_tenure': months_with_current_manager,
    'team_size': headcount,
    'tenure_months': total_months_at_company,
    'department': department_encoded
}

Engagement-опросы (eNPS, pulse) и агрегированные данные контроля доступа (аномалии рабочего времени) дополняют картину. Важно получать consent на каждый источник.

Как объяснить предсказание?

Таргет: добровольное увольнение в следующие 90 дней. Из‑за несбалансированности (5–15% годовой текучести) используем SMOTE или class_weight.

Алгоритм: LightGBM с SHAP для объяснений. Модель достигает AUC 0.87–0.92 на исторических данных. Каждому сотруднику в high-risk категории присваиваются top-3 фактора риска — конкретные причины для HR-менеджера.

Segment-level анализ

Помимо индивидуального скора, анализируем по сегментам:

Cohort analysis: Какие когорты нанятых в конкретный период увольняются быстрее? Если cohort показывает вдвое больший отток, это указывает на проблемы при найме или онбординге.

Department risk radar: Отделы с системно высоким риском увольнений — сигнал системной проблемы: плохой менеджмент, неконкурентная компенсация, скучные задачи.

Manager effectiveness: Если сотрудники под конкретным менеджером увольняются в 3 раза чаще среднего — флаг для HR.

Retention actions

Эффективность измеряем через A/B тестирование рандомизированных интервенций — retention rate в группе вмешательства растёт на 20–30%.

Дашборд для HR

Workforce risk heat map по отделам, top-10 сотрудников с риском и факторами, тренд общего риска по компании, forecast ожидаемых увольнений на 90 дней для планирования рекрутинга. Интеграция с HRIS: SAP SuccessFactors, Workday, 1С:ЗУП — через API получаем данные и записываем risk scores.

Что входит в работу?

• Полный аудит HR-данных и этических норм.
• Baseline-модель (LightGBM) с SHAP-объяснениями.
• Fairness-аудит и калибровка по сегментам.
• Дашборд в Power BI или аналогичной BI-системе.
• A/B-тестирование retention-интервенций на пилотной группе.
• Документация модели, обучение HR-команды, поддержка первого месяца.

Как построить модель?

1. Аудит доступных HR-данных и согласование этических норм.
2. Разработка baseline-модели (LightGBM) на исторических данных.
3. Настройка SHAP-объяснений и fairness-аудита.
4. Создание дашборда в BI-системе или Power BI.
5. A/B-тестирование retention-интервенций на пилотной группе.
6. Развёртывание в продуктив и мониторинг дрейфа (MLOps).

Этот процесс занимает от 4 до 12 недель в зависимости от сложности. Свяжитесь с нами, чтобы обсудить ваш кейс — мы оценим данные и предложим решение под ключ. Закажите пилотный проект и убедитесь в эффективности.

По данным Harvard Business Review, компании, внедрившие предиктивную HR-аналитику, снижают текучесть на 15–20%.

Мы — команда с 7‑летним опытом в AI/ML, выполнили более 20 проектов для HR-департаментов. Гарантируем прозрачность модели и соблюдение законодательства. Получите консультацию — оценим ваш проект за 2 дня.

Какие проблемы прогнозирования временных рядов встречаются чаще всего?

Финансовый директор запрашивает прогнозирование временных рядов продаж на квартал. Аналитик строит SARIMA, добивается MAPE 8.3% на тестовой выборке — и с гордостью деплоит. Через два месяца в production метрика падает до 23%. Причина классическая: модель обучалась на данных до COVID, тестировалась на стабильном периоде, а production попал на промо-акцию и сбой поставок. Data leakage + distribution shift = красивые цифры в ноутбуке и неработающий прогноз в реальности. Мы сталкивались с этим десятки раз. Наш опыт — 5+ лет в прогнозировании временных рядов для ритейла, финтеха и IoT, более 50 завершённых проектов.

Неправильная кросс-валидация. Стандартный train_test_split для временных рядов — ошибка. Случайное разбиение создаёт data leakage: модель видит «будущие» значения в обучении. Правильно — TimeSeriesSplit или walk-forward validation с expanding window.

Множественная сезонность. Почасовые данные потребления электроэнергии имеют три сезонности: суточную (24 ч), недельную (168 ч), годовую (8760 ч). SARIMA справляется только с одной. Prophet обрабатывает несколько, но медленно масштабируется на тысячи рядов.

Пропуски и аномалии в данных. Пропуск в сенсорных данных — это информация (датчик отключился), а не просто NaN. Линейная интерполяция убивает этот сигнал. Правильная обработка зависит от природы пропуска.

Cold start при иерархическом прогнозировании. Новый SKU в ассортименте из 50 000 позиций: исторических данных нет, нужен прогноз. Стандартные подходы тут не работают — нужны cross-learning подходы или feature-based методы.

Какие инструменты и когда применять?

Prophet (Meta) — отличный старт для бизнес-данных с понятной сезонностью и праздниками. Быстро настраивается, интерпретируем, встроенная обработка выбросов и пропусков. Падает в точности при нерегулярных паттернах и не масштабируется на десятки тысяч рядов без параллелизации. Prophet (Facebook) — официальная документация.

Gradient boosting на фичах (LightGBM, XGBoost) — часто недооценённый подход. Создаёте фичи вручную: лаги (t-1, t-7, t-28), скользящие средние, категориальные признаки (день недели, месяц), экзогенные переменные. Модель обучается на всех рядах одновременно — решает cold start через похожие ряды. MAPE на ритейл-прогнозировании часто лучше нейронных сетей при правильной feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, специально разработанный для интерпретируемого прогнозирования с ковариатами. Встроенные механизмы: variable selection (какие признаки важны), temporal self-attention (какие временные точки влияют на прогноз), квантильные предсказания. Доступен в pytorch-forecasting. Требует ~10 000+ записей на ряд для стабильного обучения. Temporal Fusion Transformer — академическая публикация.

PatchTST — трансформер, который делит временной ряд на патчи (аналогично ViT для изображений). Лучше захватывает локальные паттерны, чем классические трансформеры. Хорошо работает для long-horizon forecasting (прогноз на 96–720 шагов). Реализация в neuralforecast от Nixtla.

N-HiTS, N-BEATS — нейронные архитектуры без attention, быстрее TFT, конкурентная точность. N-BEATS выигрывает на M4/M5 benchmark для задач без ковариат.

Как мы разворачиваем TFT в production?

TFT требует тщательной подготовки данных. Типичный пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 дней
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 дней
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Частая ошибка: target_normalizer по умолчанию (StandardScaler) ломает предсказания для рядов с нулевыми значениями (нет продаж в выходные). GroupNormalizer с transformation="softplus" — правильный выбор для count-данных.

Пошаговая инструкция по настройке TFT

1. Сбор и подготовка данных. Обработать пропуски (маркировать NaN, интерполировать только если это технический сбой), агрегировать до нужной частоты, сформировать ковариаты (праздники, промо, цены).
2. Создание TimeSeriesDataSet. Указать group_ids (например, магазин+SKU), временной индекс, горизонт прогноза. Настроить target_normalizer с учётом распределения таргета.
3. Обучение baseline. Сначала Prophet или LightGBM — чтобы понять, насколько сложнее задача.
4. Тренировка TFT. Запустить TemporalFusionTransformer с loss=QuantileLoss(), подобрать learning rate и размеры hidden слоёв. Использовать pytorch_forecasting или neuralforecast.
5. Валидация и интерпретация. Проверить walk-forward, проанализировать variable selection, построить attention heatmap.

Кейс: прогноз спроса в ритейле. Сеть из 120 магазинов, 8000 SKU, горизонт прогноза 28 дней. Исходная система: SARIMA отдельно для каждого ряда, MAPE 18.4%, полный цикл переобучения — 6 часов. TFT на PyTorch + pytorch-forecasting: одна модель на все ряды, MAPE 11.2%, переобучение — 40 мин на A10G. Дополнительный бонус: feature importance через variable selection — выяснилось, что day_before_holiday влияет сильнее, чем сама дата праздника. Средняя экономия бюджета на инференсе для клиента составила 1.5 млн ₽ в год.

Как правильно оценивать качество прогнозов?

Не используйте RMSE как единственную метрику — она сильно штрафует за большие ошибки на больших значениях. Наш набор метрик для ритейл-прогнозирования:

• MAPE — интерпретируема, но нестабильна при значениях близких к нулю
• sMAPE — симметричная версия, избегает деления на маленькие числа
• MASE (Mean Absolute Scaled Error) — нормализован относительно наивного сезонного прогноза, отлично подходит для сравнения между рядами с разными масштабами
• Quantile loss / Pinball loss — для вероятностного прогнозирования, оценка покрытия интервалов

Гарантируем: мы предоставляем model card с этими метриками на валидационной выборке и результаты walk-forward теста на истории не менее 6 месяцев.

Что входит в работу

• Документация по выбранной архитектуре, обоснование выбора гиперпараметров.
• Воспроизводимый пайплайн обучения и инференса (Docker + CI/CD + Airflow/Prefect).
• Код с комментариями и модульными тестами на ключевые компоненты.
• Обучение вашей команды: как переобучать модель, как интерпретировать выходы, как деплоить новые версии.
• Поддержка в течение 3 месяцев после сдачи: консультации, фиксы багов, донастройка.

Процесс работы

Начинаем с EDA: визуализация, тест ADF на стационарность, STL-декомпозиция, анализ пропусков и выбросов. Это 2–3 дня, но часто выявляет системные проблемы данных, которые блокируют прогнозирование.

Затем: baseline (наивный seasonal, Prophet), feature engineering для LGBM, выбор архитектуры нейронной сети если нужно. Walk-forward validation с реалистичным горизонтом. Деплой через API с автоматическим переобучением по расписанию через Airflow или Prefect.

Сроки ориентировочно: MVP-прогноз на одном типе данных — 3–6 недель. Иерархическая система прогнозирования с автоматизацией — 2–5 месяцев. Стоимость рассчитывается индивидуально.

Наша команда — сертифицированные ML-инженеры (AWS ML Specialty, GCP Professional ML Engineer). За 5 лет на рынке реализовали более 50 проектов по прогнозированию. Свяжитесь с нами для бесплатного анализа ваших данных — мы оценим задачу и дадим первые рекомендации за 1–2 дня. Закажите консультацию и убедитесь, что ваши прогнозы работают в production, а не только в ноутбуке.